在机器学习的数据预处理阶段，处理包含NaN或特定记录无值的数据集是一项至关重要且棘手的任务。大多数机器学习算法在数据集中存在缺失值时表现不佳。面对这种情况，通常有两种解决方案：移除包含缺失值的样本或用某种策略插补缺失值。频繁移除缺失值并非处理机器学习问题的最佳方法，因为这些数据可能包含有用信息。因此，最佳方案通常是插补缺失值。
由于缺失值插补是解决各种机器学习问题的必要步骤，实时数据集中很有可能存在缺失值。本文将探讨与机器学习中缺失数据插补相关的前五个面试问题，以及它们背后的核心直觉和工作机制。让开始逐一探索和解答面试问题。
在机器学习中，完整案例分析是一种技术，它涉及从数据集中删除或移除所有包含缺失值的样本。由于插补缺失值会消耗大量计算资源和时间，有时在时间复杂度较高的情况下，可以使用这种方法，因为它易于编码且速度更快。
# 导入所需库
import numpy as np
import pandas as pd
# 导入数据集
df = pd.read_csv('Iris.csv')
# 了解数据集中包含缺失值的样本数量
print(df.isnull().sum())
# 删除缺失数据
df = df.dropna()
尽管完整案例分析不是处理缺失数据的最佳解决方案，因为通过删除缺失数据，也会丢失部分数据信息。有时被删除的缺失数据可能包含其他数据所没有的重要信息。因此，在大多数情况下，处理缺失数据时不推荐使用完整案例分析，除非没有其他选择。据研究者称，当数据集中缺失的数据少于5%时，应考虑使用这些技术。
大多数时候，当数值数据中存在缺失值时，均值和中位数插补是最常用的方法。均值插补通过特定列的均值来插补值，而中位数插补通过列数据的中位数来插补缺失值。当数据集中存在异常值时，更倾向于使用中位数插补。因为均值插补会考虑异常值，从而使得特定列的均值产生偏差。而中位数插补计算的是列的中位数，因此不会受到异常值的太大影响。因此，对于包含异常值的数值数据，更倾向于使用中位数插补。
基本上有两种类型的缺失值插补：单变量和多变量插补。在单变量缺失值插补中，仅使用相应缺失值的特定列来插补缺失值。例如，如果Age列中存在缺失值，则仅使用Age列的值来插补该缺失值，不会使用数据集中的其他列。而多变量插补则是使用数据集中的多个列的值来插补缺失值。例如，如果Age列中存在缺失值，则该缺失值将使用Age列和其他数据集列的值来插补。均值、中位数和最频繁值是单变量缺失数据插补的例子，而KNN插补器和迭代插补器是多变量插补的例子。
KNN插补器是一种多变量插补技术，用于插补数据集中的缺失值。这里计算数据点之间的欧几里得距离，并根据欧几里得距离考虑邻居来插补缺失数据。一旦根据欧几里得距离确定了缺失数据的邻居，然后计算邻居数据点值的均值，并用均值插补缺失值。
# 欧几里得距离公式